Ferramentas de IA avaliadas para o seu trabalho
Ganhe treinando IA
🤝 Você está na biblioteca Grátis & Open Source — ferramentas feitas pela comunidade que você pode usar sem pagar. Um conceito diferente do nosso diretório de IA avaliado.
Início › Grátis & Open Source › Compliance › Intrusion-and-anomaly-detection-with-machine-learning
✦ Grátis & open sourceCompliance

Intrusion-and-anomaly-detection-with-machine-learning

Detecta ataques em logs de aplicativos usando clusterização DBSCAN, PCA e análise de LLM local.

Detecção de anomalias em logs de IA não supervisionada e análise de incidentes

Agrupa logs HTTP e de sistema usando PCA e DBSCAN, e então analisa valores atípicos com LLMs locais do Ollama.

Grátis para sempre · open source · MIT
✓ Needs IT✓ No navegador✓ Colaboração em tempo real
6.6
ZEKAI
Segurança de logs de IA não supervisionada
Grátis & open source · Compliance
Facilidade de configuração4
Utilidade8
Manutenção9.5
Comunidade5
★ 175
GITHUB
Oct 2026
ATUALIZADO
MIT
LICENÇA
🛠 Não quer hospedar você mesmo? Nós configuramos para você →
⚡ Resposta rápida

Webhawk (Catch 3.0) é uma ferramenta de segurança de código aberto que identifica vestígios de ataques em logs de servidores web e de sistemas sem regras pré-escritas. Ele aplica aprendizado de máquina não supervisionado para agrupar entradas de log, sinalizando atividades anômalas para revisão automatizada por LLM. Analistas de SOC e equipes de conformidade podem usá-lo para expor ameaças ocultas em endpoints.

Funciona em
Web
Hospedagem
Self-host
Idiomas
Ruby
Licença
MIT

O que é

O motor converte logs brutos em recursos numéricos via PCA e aplica a clusterização de densidade DBSCAN para isolar valores atípicos. Os logs anômalos são enviados para um LLM local rodando via Ollama para gerar descrições de incidentes e fazer referência cruzada a CVEs conhecidas. As detecções são transmitidas diretamente para uma interface web ou integradas a ambientes SIEM existentes por meio de uma REST API.

Para quem

É adequado para analistas de segurança, resposta a incidentes e equipes de GRC que buscam capturar padrões de ataques de dia zero em logs do Apache, Nginx ou de processos. Não é adequado para equipes não técnicas ou ambientes que não possuem capacidade computacional dedicada para modelos de IA self-hosted.

Recursos principais

Clusterização DBSCAN Não Supervisionada

Agrupa entradas de log de rotina por densidade de recursos e sinaliza valores atípicos como potenciais ataques sem regras de assinatura.

Análise de LLM Local

Direciona anomalias detectadas para modelos do Ollama para gerar resumos de incidentes conscientes do contexto e orientações.

Mapeamento Automatizado de CVE

Consulta o banco de dados NVD para correlacionar anomalias de log detectadas com vulnerabilidades de segurança publicadas.

Coletor de Logs de Endpoint

Fornece um agente em Python para ler arquivos de log de acesso local e enviá-los para o motor de detecção central.

Como começar

Pronto em 3 passos

1
Clone o repositório e copie os arquivos de modelo de configurações para o motor, agente e aplicação web.
2
Inicie a API de detecção, a UI web e os serviços de modelo do Ollama usando o Docker Compose.
3
Implante o agente de log em Python em endpoints alvo ou execute o script catch contra arquivos de log estáticos.
Falando sério

Nosso veredito honesto

Pontos fortes

  • Identifica novos padrões de ataques sem exigir regras de assinatura pré-configuradas.
  • Executa inteiramente na sua infraestrutura com modelos locais do Ollama para proteger a privacidade dos logs.
  • Combina extração de recursos PCA com ajuste configurável de hiperparâmetros DBSCAN.
  • Integra-se com configurações de SOC existentes usando endpoints de REST API embutidos.

Onde deixa a desejar

  • Requer recursos de servidor para hospedar containers Docker e executar inferência de LLM local.
  • Agentes em Python devem ser instalados e configurados manualmente em cada endpoint monitorado.
  • Configurar métricas de distância do DBSCAN requer familiaridade com estatísticas ou aprendizado de máquina para controlar taxas de falsos positivos.
Custo

Preços & licença

O Webhawk é gratuito e de código aberto sob a licença MIT. O custo principal vem do fornecimento do hardware de servidor necessário para hospedar a stack Docker e executar LLMs locais.

Trabalho remunerado

Vagas para quem fala português

879 vagas remotas abertas de treinamento de IA, atualizadas em 16 de novembro de 2026; a maioria paga $20–$175 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.

Ver todas as vagas abertas →
Comparar

Alternativas

🎁 Alternativas grátis & open source

Estas ferramentas de IA avaliadas fazem o mesmo trabalho na hora — do nosso diretório avaliado.

Saiba mais

Use, ou deixe que a gente configure

📄 PDF grátis: Intrusion-and-anomaly-detection-with-machine-learning para Compliance
Um guia em linguagem simples para o seu primeiro resultado. Enviado ao seu e-mail.
🔔 64 pessoas querem um tutorial em vídeo completo — adicione seu voto
🛠 Não quer configurar você mesmo?
Nós instalamos, hospedamos e configuramos o Intrusion-and-anomaly-detection-with-machine-learning para você — e treinamos sua equipe.
Deixe com a gente ↗
Perguntas

FAQ

Quais formatos de log o Webhawk suporta nativamente?

Ele inclui padrões de regex de parsing embutidos para logs de acesso do Apache, logs de acesso do Nginx, logs HTTP e detalhes de processos do SO.

O Webhawk envia dados de log para APIs de nuvem externas?

Não, as configurações padrão direcionam a análise de logs para uma instância do Ollama self-hosted executando modelos locais como o Granite4.

Radar

Últimas notícias de IA

✉️ O kit gratuito semanal
As melhores novas ferramentas grátis & open source para Compliance — um e-mail curto por semana, no seu idioma.
Grátis · 1 e-mail/semana · cancele quando quiser
Ganhe dinheiro treinando IA →

Veja o Zekai primeiro no Google